AI pentru ingineri și industria auto din România: ce se schimbă în rolul tău

Industria auto e sectorul în care presiunea se simte cel mai devreme, iar inginerul e primul care o resimte — nu prin prezentări despre transformare digitală, ci prin bugete tăiate, linii oprite și cerințe de client care nu se negociază. Ghidul de mai jos e scris pentru inginerul mecanic, electric sau automatist care lucrează într-o uzină sau într-un furnizor Tier 1 din România, nu pentru managerul care aprobă proiectul.

Contextul, în cifre pe care le poți verifica

Datele Asociației Constructorilor de Automobile din România arată, pentru prima jumătate a anului 2026, o producție de 247.972 de autoturisme — 129.404 la Dacia și 118.568 la Ford Otosan — în scădere cu 12,7% față de aceeași perioadă din 2025. Contracția e cea mai vizibilă din ultimii ani și vine pe fondul unei cereri europene slabe.

Pe partea de ocupare, asociația estimează sectorul la aproximativ 230.000 de angajați direcți, în jur de 14% din PIB și peste 30% din exporturile României, cu o cifră de afaceri de ordinul a 35 de miliarde de euro. Statisticile care măsoară un perimetru mai îngust arată o scădere continuă a numărului de salariați, cu o medie în jur de 1.200 de oameni pe lună, fără nicio lună de creștere pe parcursul ultimului an și jumătate. Cele două cifre nu se contrazic — măsoară lucruri diferite, una fiind estimarea sectorului cu tot cu furnizori, cealaltă o categorie statistică mai strâmtă. Direcția e însă aceeași în ambele.

Ce înseamnă asta pentru tine, practic: presiunea nu e pe strategie, e pe cost pe piesă, pe rebut și pe timpul de răspuns la client. Orice discuție despre AI care nu ajunge la una dintre aceste trei mărimi în primele cinci minute e o discuție pe care nu ți-o permiți.

Ce nu se schimbă în meseria ta

Înainte de aplicații, partea pe care hype-ul o ratează sistematic.

Nu se schimbă judecata inginerească. Un model statistic îți spune că un parametru corelează cu un defect; nu îți spune de ce, și mai ales nu îți spune dacă relația se menține când schimbi furnizorul de material. Cauza rămâne treaba ta.

Nu se schimbă standardele. Cerințele de sistem de management al calității pentru automotive, planul de control, analiza modurilor de defectare, aprobarea pieselor de serie — toate rămân în picioare. AI-ul intră ca unealtă în interiorul acestor procese, nu în locul lor.

Nu se schimbă răspunderea. Semnătura de pe raport rămâne a unui om. Un rezultat generat automat pe care îl semnezi fără să îl verifici devine problema ta, nu a furnizorului de software.

Ce se schimbă e altceva: cât de repede ajungi de la o întrebare la un răspuns sprijinit pe date și cât timp îți rămâne pentru partea în care aduci valoare reală.

Patru locuri în care AI-ul produce cifre, nu prezentări

1. Inspecția vizuală pe linie

E aplicația cu cel mai scurt drum de la investiție la număr. O cameră, iluminare controlată și un model antrenat pe defectele tale detectează zgârieturi, porozități, lipsuri de material, componente montate greșit sau etichete ilizibile — la viteza liniei, pe fiecare piesă, nu pe eșantion.

Trei lucruri care decid succesul, în ordinea în care le ratează lumea:

• Iluminarea și fixarea camerei. Majoritatea proiectelor eșuate au eșuat aici, nu în algoritm. Dacă piesa arată diferit dimineața și seara, modelul învață ora, nu defectul.
• Setul de imagini cu defecte reale. Ai nevoie de exemple din producția ta, inclusiv de cazurile de graniță pe care operatorii le discută între ei. Defectele rare sunt exact cele care contează, și sunt exact cele care lipsesc din set.
• Criteriul de acceptare, scris înainte. Ce rată de defecte scăpate accepți și ce rată de alarme false suportă linia? Fără cele două numere convenite în avans, proiectul nu se poate încheia niciodată, pentru că nimeni nu poate spune dacă a reușit.

Partea tehnică — arhitecturi de rețele, augmentarea setului de date, cuantificarea modelului pentru a rula pe un dispozitiv de lângă linie — e subiectul unui parcurs dedicat precum Computer Vision cu Deep Learning. Partea inginerească, adică cele trei puncte de mai sus, rămâne a ta indiferent cine scrie codul.

2. Mentenanța predictivă

Al doilea caz clasic, și cel mai prost înțeles. „Predictiv" nu înseamnă că un model îți spune ziua în care se rupe rulmentul. Înseamnă că, din vibrație, temperatură, consum de curent și ciclu, un model estimează o probabilitate crescută de degradare cu suficient timp înainte cât să programezi intervenția în oprirea planificată, nu în mijlocul schimbului.

Condiția de intrare e brutal de simplă și rar îndeplinită: ai nevoie de istoric de defecte etichetat. Dacă în ultimii doi ani nimeni nu a notat sistematic ce s-a stricat, când și de ce, nu ai de unde învăța. Primul proiect de mentenanță predictivă, într-o uzină care pornește de la zero, e de fapt un proiect de disciplină a datelor — și e în regulă să înceapă așa.

Un pas intermediar care se plătește imediat: analiza datelor pe care le ai deja în sistemele de producție, fără să scrii cod. Pentru inginerii care nu vor și nu au de ce să devină programatori, Analiză de Date cu AI fără Cod acoperă exact zona asta — întrebări puse pe date reale, fără un limbaj de programare între tine și răspuns.

3. Documentația tehnică, rapoartele 8D și conformitatea

Zona cu cel mai mare câștig de timp și cel mai mic risc tehnic, și tocmai de aceea cea mai ignorată.

Un inginer de calitate dintr-un furnizor auto petrece un volum semnificativ de ore pe documente structurate: rapoarte de rezolvare a reclamațiilor în opt discipline, instrucțiuni de lucru, fișe de proces, dosare de aprobare a pieselor, răspunsuri la audit. Toate au un format fix, un vocabular fix și o logică fixă. Sunt exact tipul de sarcină în care un model lingvistic e util imediat: îți ține structura, îți propune formulări, îți verifică dacă ai acoperit toate secțiunile obligatorii, îți traduce coerent între română și limba clientului.

Regula de siguranță e una singură și nu se negociază: modelul redactează, tu validezi conținutul tehnic. Cauza rădăcină nu se generează, se demonstrează.

4. Ofertarea și ingineria de cost

La o cerere de ofertă complexă, timpul se duce pe extras de cerințe din caiete de sarcini de sute de pagini, pe compararea cu proiecte anterioare și pe construirea structurii de cost. Un asistent care citește documentația clientului și scoate lista de cerințe, cu trimitere la pagina din care a extras fiecare, taie zile din ciclu.

Cheia e trasabilitatea: dacă instrumentul nu îți arată de unde a luat fiecare cerință, nu îl folosi pentru ofertare. O cerință omisă într-un contract auto costă mai mult decât tot ce ai economisit.

Pentru partea de planificare, aprovizionare și indicatori de operațiuni, subiectul e tratat sistematic în AI în Operațiuni și Supply Chain.

Ce trebuie să știi tehnic — și ce nu

Vestea bună pentru un inginer mecanic sau electric: nu trebuie să devii specialist în învățare automată. Rolul care lipsește în majoritatea uzinelor din România nu e cel de cercetător în AI, ci cel de inginer care știe să pună problema corect. Concret, asta înseamnă patru lucruri:

1. Să traduci un defect fizic într-o sarcină măsurabilă. „Piesele ies uneori proaste" nu e o sarcină. „Detectează porozitate mai mare de 0,3 mm pe suprafața A, la cadență de 12 piese pe minut" este.
2. Să știi ce date există și în ce stare sunt. Unde stau, la ce frecvență se înregistrează, cine le atinge, cât istoric ai și cât e utilizabil.
3. Să negociezi criteriul de acceptare. Două numere: cât scapă și cât alarmează fals. Convenite cu producția și cu calitatea, în scris, înainte de a începe.
4. Să evaluezi rezultatul ca inginer. Un model care are 98% acuratețe pe hârtie și ratează exact defectul critic e un model inutil. Contează pe ce greșește, nu cât greșește.

Restul — antrenare, ajustare, punere în funcțiune — poate fi făcut de o echipă internă de automatizări, de un furnizor sau de un integrator. Fără cele patru puncte de mai sus, însă, niciunul dintre ei nu are ce livra.

Datele: unde se blochează, de fapt, proiectele într-un Tier 1

Aici e diferența dintre o uzină din România și un exemplu de pe internet.

Proprietatea intelectuală a clientului. Desenele, specificațiile și, adesea, imaginile pieselor aparțin constructorului auto, nu ție. Acordul de confidențialitate semnat cu clientul spune, de regulă, foarte clar ce ai voie să faci cu ele și unde au voie să ajungă. Înainte de a încărca un desen într-un serviciu în cloud, citește acel acord — nu politica de confidențialitate a furnizorului de software, ci contractul tău cu clientul.

Consecința practică: în multe cazuri, singura variantă acceptabilă e prelucrarea locală, pe un server din uzină sau pe un dispozitiv de lângă linie. E o constrângere, nu un obstacol — pentru inspecția vizuală, prelucrarea locală e oricum preferabilă din motive de latență.

Datele operatorilor. Dacă sistemul înregistrează cine a operat, cât a durat și câte erori au fost, ai intrat în alt regim juridic. Vezi secțiunea următoare.

Datele de proces. Sunt ale tale, dar de obicei împrăștiate: un sistem pentru execuție, altul pentru mentenanță, un fișier de calcul tabelar la un inginer și un caiet la maistru. Primul proiect util într-o uzină e adesea unificarea acestor surse, nu un model.

AI Act: unde te încadrezi și de la ce dată

Regulamentul (UE) 2024/1689 se aplică în toate statele membre, iar termenele au fost modificate prin pachetul de simplificare adoptat ulterior, publicat ca Regulamentul (UE) 2026/1744. Pentru o uzină, trei încadrări contează:

1. Sistem AI care e componentă de siguranță a unui produs reglementat — de exemplu integrat într-o mașină-unealtă care intră sub legislația de armonizare a Uniunii. Intră la articolul 6 alineatul (1) și Anexa I, iar obligațiile de risc înalt se aplică de la 2 august 2028. Pachetul de simplificare a precizat și definiția componentei de siguranță, tocmai pentru ca produse conectate obișnuite să nu fie clasificate accidental ca risc înalt.

2. Sistem AI folosit pentru gestionarea lucrătorilor — repartizarea sarcinilor, monitorizarea și evaluarea performanței, deciziile de promovare sau de încetare a raporturilor de muncă. Intră la Anexa III punctul 4, iar obligațiile de risc înalt se aplică de la 2 decembrie 2027. Dacă sistemul tău de inspecție ține și un scor pe operator, ai trecut, fără să vrei, în această categorie.

3. Obligațiile de transparență din articolul 50 — se aplică din 2 august 2026, deci sunt deja în vigoare. Ele privesc interacțiunea oamenilor cu sisteme AI și marcarea conținutului generat artificial.

Peste toate acestea se așază obligația de alfabetizare în domeniul AI din articolul 4: personalul care operează sisteme AI trebuie să aibă un nivel suficient de competență. Nu e o formalitate amânată — e o cerință în vigoare, iar dovada ei se face cu documente, nu cu declarații.

Ce faci concret, ca inginer: înainte de a porni un pilot, scrie pe o pagină ce face sistemul, ce date atinge, dacă atinge date despre persoane și cine ia decizia finală. Pagina aceea îți va fi cerută oricum, mai devreme sau mai târziu, și e mult mai ieftin să o scrii la început.

Pilotul de 90 de zile, pe un caz de inspecție

Un tipar care funcționează într-o uzină reală, cu resurse reale:

Zilele 1–15 — alegerea cazului. Un singur defect, pe o singură referință, pe o singură linie. Cel care produce cel mai mult rebut sau cea mai mare reclamație. Scrie criteriul de acceptare și obține acordul producției și al calității.

Zilele 16–40 — datele. Montezi camera și iluminarea fixă. Colectezi imagini din toate schimburile, inclusiv de noapte. Etichetezi împreună cu operatorii care recunosc defectul cel mai bine. Aici se consumă efortul real.

Zilele 41–60 — modelul. Antrenare, evaluare pe un set pe care modelul nu l-a văzut, analiza greșelilor. Întrebarea nu e cât de bun e scorul, ci ce fel de piese greșește.

Zilele 61–80 — funcționare în paralel. Sistemul rulează lângă controlul existent, fără să oprească nimic. Compari zilnic. Aici afli adevărul.

Zilele 81–90 — decizia. Trece sau nu criteriul convenit în ziua 15. Dacă trece, scrii planul de extindere. Dacă nu trece, scrii de ce — și acesta e un rezultat, nu un eșec.

Bugetul mental corect: pilotul plătește informația, nu economia. Economia vine la extindere.

Cinci greșeli care omoară proiectele

1. Începi cu instrumentul, nu cu defectul. Furnizorul îți arată o demonstrație spectaculoasă pe piesele lui. Cere-i demonstrația pe piesele tale, cu iluminarea ta.
2. Nu implici operatorii. Cei care văd defectul de zece ani sunt sursa ta de adevăr. Un sistem construit peste capul lor va fi ocolit în prima săptămână grea.
3. Nu fixezi criteriul de acceptare. Fără cele două numere, proiectul devine o discuție de gusturi și nu se termină niciodată.
4. Ignori partea juridică până la final. Descoperi în luna a treia că nu ai voie să scoți imaginile din uzină și arunci munca făcută.
5. Faci pilotul pe cel mai greu caz. Alegi defectul pe care nici oamenii nu îl văd consecvent. Începe cu unul clar, câștigă încrederea, apoi urcă.

Ce înseamnă asta pentru cariera ta

Într-un sector care pierde în jur de 1.200 de posturi pe lună, întrebarea „mă înlocuiește AI-ul" e prost pusă. Ce se întâmplă e mai simplu și mai puțin dramatic: echipele devin mai mici, iar oamenii care rămân sunt cei care pot duce un rezultat de la problemă la implementare cu mai puțini intermediari.

Inginerul care poate formula o problemă în termeni de date, poate evalua critic un rezultat automat și poate scrie documentația de conformitate a devenit, fără să își schimbe meseria, omul pe care echipa nu îl poate rata. Nu pentru că știe să antreneze modele, ci pentru că e singurul din încăpere care înțelege și piesa, și procesul, și limitele instrumentului.

Asta e o competență care se construiește în luni, nu în ani, și nu cere să renunți la ce faci. Cere să adaugi un strat peste ce știi deja.

Întrebări frecvente

Î: Trebuie să învăț să programez ca să folosesc AI ca inginer mecanic? R: Nu pentru majoritatea aplicațiilor. Pentru documentație, analiză de date și ofertare, instrumentele actuale nu cer programare. Pentru un sistem de inspecție vizuală în producție ai nevoie de cineva care scrie cod, dar rolul tău acolo e altul: definirea sarcinii, calitatea datelor și criteriul de acceptare. Programarea ajută, nu e condiție de intrare.

Î: Cât costă un sistem de inspecție vizuală cu AI pe o linie? R: Depinde atât de mult de aplicație — cadență, număr de camere, tip de defect, mediu — încât orice cifră generală ar induce în eroare. Ce poți face e să ceri două-trei oferte pe cazul tău concret, cu piesele tale, și să compari inclusiv costul de întreținere în anii următori, nu doar investiția inițială. Costul recurent e cel care surprinde.

Î: Datele din uzină pot fi trimise către un serviciu în cloud? R: Verifică întâi acordul de confidențialitate cu clientul constructor, nu politica furnizorului de software. În multe contracte auto, desenele și imaginile pieselor sunt proprietatea clientului, cu restricții explicite. Când există dubiu, prelucrarea locală, pe un server din uzină, elimină problema și, pentru inspecție, e oricum preferabilă din motive de latență.

Î: Un sistem de inspecție vizuală e considerat AI cu risc înalt? R: Depinde de încadrare. Dacă e componentă de siguranță a unui produs reglementat, intră la articolul 6 alineatul (1) și Anexa I, cu obligații aplicabile de la 2 august 2028. Dacă în plus monitorizează sau evaluează operatorii, intră la Anexa III punctul 4, cu obligații de la 2 decembrie 2027. Încadrarea se face pe cazul concret, cu suport juridic — nu după titlul produsului din ofertă.

Î: Am istoric de mentenanță doar pe hârtie. Pot începe cu mentenanță predictivă? R: Nu direct, și e mai bine să afli acum. Primul pas util e digitizarea consecventă a evenimentelor de defect: ce s-a stricat, când, ce s-a înlocuit, ce s-a observat înainte. După șase-douăsprezece luni de înregistrare disciplinată ai baza pentru un model. Între timp, analiza datelor de proces pe care le ai deja aduce câștiguri imediate.

Î: Ce fac dacă firma nu are buget pentru un proiect AI anul acesta? R: Începe cu zona fără investiție în echipamente: documentația tehnică, rapoartele de reclamație, traducerile către client, extragerea cerințelor din caiete de sarcini. Sunt sarcini care se pot îmbunătăți cu instrumentele existente și cu instruirea oamenilor, iar rezultatul e vizibil în ore economisite pe lună — exact argumentul de care ai nevoie ca să obții bugetul pentru pasul următor.

Concluzie

Industria auto din România intră în 2026 cu producția în scădere cu 12,7% și cu o pierdere lunară constantă de locuri de muncă. În acest context, AI-ul nu e un proiect de imagine, ci un set de patru aplicații care ating direct rebutul, opririle neplanificate, orele de documentație și timpul de răspuns la cerere de ofertă.

Niciuna dintre ele nu îți cere să îți schimbi meseria. Toate îți cer același lucru: să pui problema în termeni măsurabili, să știi în ce stare sunt datele, să fixezi criteriul de acceptare înainte de a începe și să verifici încadrarea juridică cât timp e ieftin să o faci.

Inginerul care face aceste patru lucruri nu concurează cu un model. Devine omul fără de care modelul nu produce nimic.

Surse

• Date de producție ACAROM pentru primul semestru 2026, preluate de presa economică: producția auto a scăzut cu 12,7% în primul semestru, la 247.972 de unități.
• Dimensiunea sectorului — aproximativ 230.000 de angajați direcți, în jur de 14% din PIB și peste 30% din exporturi, estimări ale Asociației Constructorilor de Automobile din România, citate în presa economică.
• AI Act, Anexa III — domeniile cu risc înalt, inclusiv punctul 4 privind ocuparea forței de muncă și gestionarea lucrătorilor.
• Regulamentul (UE) 2024/1689 și modificările aduse termenelor prin Regulamentul (UE) 2026/1744, texte consolidate pe eur-lex.europa.eu.

Articol informativ, redactat la 4 septembrie 2026 pe baza surselor citate, consultate la această dată. Nu constituie consultanță juridică, tehnică sau de conformitate. Încadrarea unui sistem AI concret în regimul de risc înalt se face pe cazul specific, cu asistență juridică de specialitate; cifrele de producție și de ocupare se modifică lunar și trebuie verificate pe comunicatele oficiale înainte de a fi folosite într-un document intern.